Ecosystème

Exemple : Céréales

Column

Carte des catégories

Column

Tableau de mesure de distance avec le centroïde de l’écosystème

Catographie des secteurs

Column

Catographie des centroïdes des secteurs agricoles

Column

Tableau de mesure de distance avec le centroïde de l’écosystème

Analyse des variables

column {data-width = 330}

Graphique des distances en fonction des secteurs d’activité

Graphique des distances pour les exploitations de moins de 10 employés

column {data-width = 330}

Graphique des distances pour les exploitations de plus de 10 employés

Graphique des distances pour les exploitations de moins de 5 ans

column {data-width = 330}

Graphique des distances pour les exploitations de 5 ans à 15 ans

Graphique des distances pour les exploitations de plus de 15 ans

Analyse des secteurs

---
title: "Innovation agricole au Québec"
author: "LRI"
output: 
  flexdashboard::flex_dashboard:
    theme : readable
    social: menu
    source: embed
    logo: polytechnique_gauche_rgb_2.jpeg
---

```{r setup, include=FALSE, echo=FALSE, message = FALSE, warning = FALSE}
knitr::opts_chunk$set(echo = TRUE)

#    runtime: shiny
library(dplyr)
library(readxl)
library(readr)
library(ggplot2)
library(ggthemes)
library(DT)
library(flexdashboard)
library(tidyverse)
library(lubridate)
library(tidyr)
library(plotly)
library("stringr")
library("plyr")
library("readr")
library(Req)
library(leaflet)
library(dplyr)
library(factoextra)
library(geojsonsf)
library(shiny)

longindicator<-gsheet::gsheet2tbl("https://docs.google.com/spreadsheets/d/1FlgVKwRCvj07knlYIX0xkiRNNnxxW4vhHMoERZ-qqrY/edit#gid=1382713023")
longwide <- longindicator %>%  pivot_longer(!c("Country","Variable"), names_to = "Year", values_to= "Value") 
longwider<- longwide %>% pivot_wider( names_from = Variable, values_from = Value)

## On importe les données concernant l'écosystème
ecosysteme <- gsheet::gsheet2tbl("https://docs.google.com/spreadsheets/d/1XwSgrbq5P6CKFkroaciYULswxxGA0aPig1Yojcrt6tM/edit?usp=sharing")
ecosysteme$Moyenne <- as.numeric(ecosysteme$Moyenne)

## On créé la matrice de distance avec le centroïde de l'écosystème
distance <- data.frame(matrix(ncol=3, nrow=0))
colnames(distance) <- c("Categorie","Longitude","Latitude")

distance[1,] <- c(ecosysteme$Nom_ent[2],ecosysteme$Longitude[2],ecosysteme$Latitude[2])
distance$Longitude <- round(as.numeric(distance$Longitude),5)
distance$Latitude <- round(as.numeric(distance$Latitude),5)
distance[1,4] <- "Écosystème" 
distance[1,5:11] <- 1
colnames(distance)[4] <- "Secteur"
colnames(distance)[5] <- "Complet" ## Catégorie prenant tous les exploitations du secteur agricole
colnames(distance)[6] <- "emp_sup_10" ## Catégorie des exploitations de plus de 10 employés
colnames(distance)[7] <- "emp_inf_10" ## Catégorie des exploitations de moins de 10 employés
colnames(distance)[8] <- "age_inf_5" ## Catégorie des entreprises agricoles de moins de 5 ans
colnames(distance)[9] <- "age_inf_15_sup_5" ## Catégorie des entreprises agricoles de plus de 5 ans et moins de 15 ans
colnames(distance)[10] <- "age_sup_15" ## Catégorie des entreprises agricoles de plus de 15 ans
colnames(distance)[11] <- "Dist_centre" ## Distance avec le centroïde de la grappe industrielle


```

# Ecosystème

```{r, echo=FALSE, message = FALSE, warning = FALSE}
ecosysteme <- ecosysteme[-1,]

ecosysteme$Moyenne2 <- round(ecosysteme$Moyenne^2,2)

## On cartographie l'écosystème
leaflet(data = ecosysteme) %>% 
  setView(-72.8, 46.1, 8) %>%
  addTiles() %>% 
  addCircleMarkers(lng = ~Longitude, lat = ~Latitude, ## On ajoute les points de coordonnées des entreprises
      radius = ~Moyenne2, stroke = FALSE, fillOpacity = 0.8, 
      color= ~colorBin('OrRd',Moyenne)(Moyenne), 
      popup = ~ paste("Nom:", Nom_ent, "<br/>","Signal :", Moyenne,"<br/>","Impact des services :", Impact)) %>%
  addCircleMarkers(lng = ecosysteme$Longitude[1], lat = ecosysteme$Latitude[1], ## On ajoute le centroïde de l'écosystème
      radius = 25, stroke = FALSE, fillOpacity = 0.9, 
      color = "steelblue",
      popup = paste("Nom:", ecosysteme$Nom_ent[1], "<br/>","Signal :", ecosysteme$Moyenne[1],"<br/>","Impact des services :", ecosysteme$Impact[1]) )  %>%
  addLegend(
    "topleft",
    title = "Signal de l'entreprise",
    pal = colorBin('OrRd', ecosysteme$Moyenne),
    values = ecosysteme$Impact, 
    opacity = 0.9)
    
  
  
```

# Exemple : Céréales

## Column {data-width="700"}

### Carte des catégories

```{r, echo=FALSE, message=FALSE,warning=FALSE}
df_0131 <- Req::Req_data(industry = 0131, active = 1) ## On récupères les données de la REQ par API
```

```{r, echo=FALSE, message = FALSE, warning = FALSE}

distance[2,1] <- "Céréales"
distance[2,2] <- round(mean(df_0131$Long,na.rm = TRUE),5)
distance[2,3] <- round(mean(df_0131$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[2,4] <- "Céréales"
distance[2,5] <- 1
distance[2,12] <- length(df_0131$Long) ## Calcul de nombre d'entreprises agricoles appartenant à la catégorie
colnames(distance)[12] <- "nb_ent" 
distance[2,13] <- round(sqrt(mean((df_0131$Lat - mean(df_0131$Lat,na.rm = TRUE))^2 + (df_0131$Long - mean(df_0131$Long,na.rm = TRUE))^2,na.rm=TRUE)),4)

index <- df_0131 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[3,1] <- "Céréales & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[3,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[3,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[3,4] <- "Céréales"
distance[3,6] <- 1
distance[3,12] <- length(index$Long)
distance[3,13] <- round(sqrt(mean((index$Lat - mean(index$Lat,na.rm = TRUE))^2 + (index$Long - mean(index$Long,na.rm = TRUE))^2,na.rm=TRUE)),4)

index <- df_0131 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[4,1] <- "Céréales & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[4,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[4,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[4,4] <- "Céréales"
distance[4,7] <- 1
distance[4,12] <- length(index$Long)
distance[4,13] <- round(sqrt(mean((index$Lat - mean(index$Lat,na.rm = TRUE))^2 + (index$Long - mean(index$Long,na.rm = TRUE))^2,na.rm=TRUE)),4)

index <- df_0131 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[5,1] <- "Céréales & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 5 ans
distance[5,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[5,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[5,4] <- "Céréales"
distance[5,8] <- 1
distance[5,12] <- length(index$Long)

index <- df_0131 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[6,1] <- "Céréales & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[6,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[6,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[6,4] <- "Céréales"
distance[6,9] <- 1
distance[6,12] <- length(index$Long)

index <- df_0131 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[7,1] <- "Céréales & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[7,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[7,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[7,4] <- "Céréales"
distance[7,10] <- 1
distance[7,12] <- length(index$Long)

test <- sum(index$V62, na.rm=TRUE)
```

```{r, echo=FALSE, message = FALSE, warning = FALSE}
leaflet(data = distance[-1,]) %>%
  addTiles() %>% 
  addCircleMarkers(lng = ecosysteme$Longitude[1], lat = ecosysteme$Latitude[1], ## On ajoute le centroïde de l'écosystème
      radius = 25, stroke = FALSE, fillOpacity = 0.9, 
      color = "steelblue", popup = ecosysteme$Nom_ent[1]) %>%
  addAwesomeMarkers(popup = ~Categorie)
```

## Column {data-width="300"}

### Tableau de mesure de distance avec le centroïde de l'écosystème

```{r, echo=FALSE, message = FALSE, warning = FALSE}
Long_centre <-distance$Longitude[1]
Lat_centre <- distance$Latitude[1]
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
colnames(distance)[11] <- "Dist_centre"

```

```{r, echo=FALSE, message = FALSE, warning = FALSE}
datatable(distance[,c(1,11)])
```

```{r Culture du maïs (sauf le maïs fourrager et le maïs sucré) (0134) , echo=FALSE, message=FALSE,warning=FALSE}
df_0134 <- Req::Req_data(industry = 0134, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture du maïs (sauf le maïs fourrager et le maïs sucré) (0134) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[8,1] <- "Maïs"
distance[8,2] <- round(mean(df_0134$Long,na.rm = TRUE),5)
distance[8,3] <- round(mean(df_0134$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[8,5] <- 1
distance[8,12] <- length(df_0134$Long)

index <- df_0134 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[9,1] <- "Maïs & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[9,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[9,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[9,6] <- 1
distance[9,12] <- length(index$Long)

index <- df_0134 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[10,1] <- "Maïs & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[10,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[10,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[10,7] <- 1
distance[10,12] <- length(index$Long)

index <- df_0134 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[11,1] <- "Maïs & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[11,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[11,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[11,8] <- 1
distance[11,12] <- length(index$Long)

index <- df_0134 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[12,1] <- "Maïs & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[12,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[12,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[12,9] <- 1
distance[12,12] <- length(index$Long)

index <- df_0134 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[13,1] <- "Maïs & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[13,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[13,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[13,10] <- 1
distance[13,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(8:13),4] <- "Maïs"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture de plantes fourragères (0135), echo=FALSE, message=FALSE,warning=FALSE}
df_0135 <- Req::Req_data(industry = 0135, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture de plantes fourragères (0135) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[14,1] <- "Plantes fourragères"
distance[14,2] <- round(mean(df_0135$Long,na.rm = TRUE),5)
distance[14,3] <- round(mean(df_0135$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[14,5] <- 1 
distance[14,12] <- length(df_0135$Long)

index <- df_0135 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[15,1] <- "Plantes fourragères & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[15,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[15,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[15,6] <- 1 
distance[15,12] <- length(index$Long)

index <- df_0135 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[16,1] <- "Plantes fourragères & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[16,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[16,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[16,7] <- 1 
distance[16,12] <- length(index$Long)

index <- df_0135 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[17,1] <- "Plantes fourragères & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[17,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[17,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[17,8] <- 1 
distance[17,12] <- length(index$Long)

index <- df_0135 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[18,1] <- "Plantes fourragères & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[18,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[18,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[18,9] <- 1 
distance[18,12] <- length(index$Long)

index <- df_0135 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[19,1] <- "Plantes fourragères & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[19,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[19,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[19,10] <- 1 
distance[19,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(14:19),4] <- "Plantes fourragères"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture de pommes de terre (0138) , echo=FALSE, message=FALSE,warning=FALSE}
df_0138 <- Req::Req_data(industry = 0138, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture de pommes de terre (0138) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[20,1] <- "Pommes de terre"
distance[20,2] <- round(mean(df_0138$Long,na.rm = TRUE),5)
distance[20,3] <- round(mean(df_0138$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[20,5] <- 1
distance[20,12] <- length(df_0138$Long)

index <- df_0138 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[21,1] <- "Pommes de terre & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[21,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[21,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[21,6] <- 1
distance[21,12] <- length(index$Long)

index <- df_0138 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[22,1] <- "Pommes de terre & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[22,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[22,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[22,7] <- 1
distance[22,12] <- length(index$Long)

index <- df_0138 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[23,1] <- "Pommes de terre & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[23,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[23,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[23,8] <- 1
distance[23,12] <- length(index$Long)

index <- df_0138 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[24,1] <- "Pommes de terre & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[24,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[24,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[24,9] <- 1
distance[24,12] <- length(index$Long)

index <- df_0138 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[25,1] <- "Pommes de terre & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[25,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[25,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[25,10] <- 1
distance[25,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(20:25),4] <- "Pommes de terre"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Autres grandes cultures (0139) , echo=FALSE, message=FALSE,warning=FALSE}
df_0139 <- Req::Req_data(industry = 0139, active = 1) ## On récupères les données de la REQ par API
```

```{r Autres grandes cultures (0139) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[26,1] <- "Autres grandes cultures"
distance[26,2] <- round(mean(df_0139$Long,na.rm = TRUE),5)
distance[26,3] <- round(mean(df_0139$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[26,5] <- 1
distance[26,12] <- length(df_0139$Long)
  
index <- df_0139 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[27,1] <- "Autres grandes cultures & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[27,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[27,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[27,6] <- 1
distance[27,12] <- length(index$Long)

index <- df_0139 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[28,1] <- "Autres grandes cultures & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[28,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[28,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[28,7] <- 1
distance[28,12] <- length(index$Long)

index <- df_0139 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[29,1] <- "Autres grandes cultures & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[29,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[29,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[29,8] <- 1
distance[29,12] <- length(index$Long)

index <- df_0139 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[30,1] <- "Autres grandes cultures & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[30,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[30,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[30,9] <- 1
distance[30,12] <- length(index$Long)

index <- df_0139 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[31,1] <- "Autres grandes cultures & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[31,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[31,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[31,10] <- 1
distance[31,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(26:31),4] <- "Autres grandes cultures"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture de fruits (0151) , echo=FALSE, message=FALSE,warning=FALSE}
df_0151 <- Req::Req_data(industry = 0151, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture de fruits (0151) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[32,1] <- "Fruits"
distance[32,2] <- round(mean(df_0151$Long,na.rm = TRUE),5)
distance[32,3] <- round(mean(df_0151$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[32,5] <- 1
distance[32,12] <- length(df_0151$Long)

index <- df_0151 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[33,1] <- "Fruits & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[33,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[33,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[33,6] <- 1
distance[33,12] <- length(index$Long)

index <- df_0151 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[34,1] <- "Fruits & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[34,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[34,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[34,7] <- 1
distance[34,12] <- length(index$Long)

index <- df_0151 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[35,1] <- "Fruits & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[35,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[35,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[35,8] <- 1
distance[35,12] <- length(index$Long)

index <- df_0151 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[36,1] <- "Fruits & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[36,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[36,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[36,9] <- 1
distance[36,12] <- length(index$Long)

index <- df_0151 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[37,1] <- "Fruits & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[37,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[37,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[37,10] <- 1
distance[37,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(32:37),4] <- "Fruits"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture de légumes (0152) , echo=FALSE, message=FALSE,warning=FALSE}
df_0152 <- Req::Req_data(industry = 0152, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture de légumes (0152) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[38,1] <- "Légumes"
distance[38,2] <- round(mean(df_0152$Long,na.rm = TRUE),5)
distance[38,3] <- round(mean(df_0152$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[38,5] <- 1 
distance[38,12] <- length(df_0152$Long)

index <- df_0152 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[39,1] <- "Légumes & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[39,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[39,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[39,6] <- 1 
distance[39,12] <- length(index$Long)

index <- df_0152 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[40,1] <- "Légumes & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[40,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[40,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[40,7] <- 1 
distance[40,12] <- length(index$Long)

index <- df_0152 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[41,1] <- "Légumes & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[41,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[41,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[41,8] <- 1 
distance[41,12] <- length(index$Long)

index <- df_0152 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[42,1] <- "Légumes & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[42,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[42,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[42,9] <- 1 
distance[42,12] <- length(index$Long)

index <- df_0152 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[43,1] <- "Légumes & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[43,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[43,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[43,10] <- 1 
distance[43,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(38:43),4] <- "Légumes"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture mixte de fruits et légumes (0159) , echo=FALSE, message=FALSE,warning=FALSE}
df_0159 <- Req::Req_data(industry = 0159, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture mixte de fruits et légumes (0159) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[44,1] <- "Mixte fruits et légumes"
distance[44,2] <- round(mean(df_0159$Long,na.rm = TRUE),5)
distance[44,3] <- round(mean(df_0159$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[44,5] <- 1 
distance[44,12] <- length(df_0159$Long)

index <- df_0159 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[45,1] <- "Mixte fruits et légumes & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[45,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[45,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[45,6] <- 1 
distance[45,12] <- length(index$Long)

index <- df_0159 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[46,1] <- "Mixte fruits et légumes & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[46,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[46,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[46,7] <- 1 
distance[46,12] <- length(index$Long)

index <- df_0159 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[47,1] <- "Mixte fruits et légumes & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[47,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[47,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[47,8] <- 1 
distance[47,12] <- length(index$Long)

index <- df_0159 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[48,1] <- "Mixte fruits et légumes & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[48,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[48,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[48,9] <- 1 
distance[48,12] <- length(index$Long)

index <- df_0159 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[49,1] <- "Mixte fruits et légumes & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[49,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[49,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[49,10] <- 1 
distance[49,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(44:49),4] <- "Mixte fruits et légumes"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture de champignons (0161) , echo=FALSE, message=FALSE,warning=FALSE}
df_0161 <- Req::Req_data(industry = 0161, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture de champignons (0161) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[50,1] <- "Champignons"
distance[50,2] <- round(mean(df_0161$Long,na.rm = TRUE),5)
distance[50,3] <- round(mean(df_0161$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[50,5] <- 1
distance[50,12] <- length(df_0161$Long)

index <- df_0161 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[51,1] <- "Champignons & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[51,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[51,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[51,6] <- 1
distance[51,12] <- length(index$Long)

index <- df_0161 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[52,1] <- "Champignons & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[52,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[52,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[52,7] <- 1
distance[52,12] <- length(index$Long)

index <- df_0161 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[53,1] <- "Champignons & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[53,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[53,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[53,8] <- 1
distance[53,12] <- length(index$Long)

index <- df_0161 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[54,1] <- "Champignons & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[54,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[54,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[54,9] <- 1
distance[54,12] <- length(index$Long)

index <- df_0161 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[55,1] <- "Champignons & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[55,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[55,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[55,10] <- 1
distance[55,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(50:55),4] <- "Champignons"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture en serres (0162) , echo=FALSE, message=FALSE,warning=FALSE}
df_0162 <- Req::Req_data(industry = 0162, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture en serres (0162) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[56,1] <- "Serres"
distance[56,2] <- round(mean(df_0162$Long,na.rm = TRUE),5)
distance[56,3] <- round(mean(df_0162$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[56,5] <- 1
distance[56,12] <- length(df_0162$Long)

index <- df_0162 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[57,1] <- "Serres & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[57,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[57,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[57,6] <- 1
distance[57,12] <- length(index$Long)

index <- df_0162 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[58,1] <- "Serres & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[58,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[58,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[58,7] <- 1
distance[58,12] <- length(index$Long)

index <- df_0162 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[59,1] <- "Serres & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[59,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[59,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[59,8] <- 1
distance[59,12] <- length(index$Long)

index <- df_0162 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[60,1] <- "Serres & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[60,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[60,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[60,9] <- 1
distance[60,12] <- length(index$Long)

index <- df_0162 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[61,1] <- "Serres & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[61,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[61,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[61,10] <- 1
distance[61,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(56:61),4] <- "Serres"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture en pépinières & gazonnières (0163) , echo=FALSE, message=FALSE,warning=FALSE}
df_0163 <- Req::Req_data(industry = 0163, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture en pépinières & gazonnières (0163) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[62,1] <- "Pépinières"
distance[62,2] <- round(mean(df_0163$Long,na.rm = TRUE),5)
distance[62,3] <- round(mean(df_0163$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[62,5] <- 1
distance[62,12] <- length(df_0163$Long)

index <- df_0163 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[63,1] <- "Pépinières & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[63,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[63,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[63,6] <- 1
distance[63,12] <- length(index$Long)

index <- df_0163 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[64,1] <- "Pépinières & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[64,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[64,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[64,7] <- 1
distance[64,12] <- length(index$Long)

index <- df_0163 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[65,1] <- "Pépinières & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[65,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[65,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[65,8] <- 1
distance[65,12] <- length(index$Long)

index <- df_0163 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[66,1] <- "Pépinières & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[66,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[66,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[66,9] <- 1
distance[66,12] <- length(index$Long)

index <- df_0163 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[67,1] <- "Pépinières & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[67,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[67,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[67,10] <- 1
distance[67,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(62:67),4] <- "Pépinières"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Culture érabilières (0164) , echo=FALSE, message=FALSE,warning=FALSE}
df_0164 <- Req::Req_data(industry = 0164, active = 1) ## On récupères les données de la REQ par API
```

```{r Culture érabilières (0164) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[68,1] <- "Érablières"
distance[68,2] <- round(mean(df_0164$Long,na.rm = TRUE),5)
distance[68,3] <- round(mean(df_0164$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[68,5] <- 1
distance[68,12] <- length(df_0164$Long)

index <- df_0164 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[69,1] <- "Érablières & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[69,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[69,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[69,6] <- 1
distance[69,12] <- length(index$Long)

index <- df_0164 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[70,1] <- "Érablières & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[70,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[70,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[70,7] <- 1
distance[70,12] <- length(index$Long)

index <- df_0164 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[71,1] <- "Érablières & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[71,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[71,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[71,8] <- 1
distance[71,12] <- length(index$Long)

index <- df_0164 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[72,1] <- "Érablières & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[72,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[72,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[72,9] <- 1
distance[72,12] <- length(index$Long)

index <- df_0164 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[73,1] <- "Érablières & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[73,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[73,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[73,10] <- 1
distance[73,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(68:73),4] <- "Érablières"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Autres spécialités horticoles (0169) , echo=FALSE, message=FALSE,warning=FALSE}
df_0169 <- Req::Req_data(industry = 0169, active = 1) ## On récupères les données de la REQ par API
```

```{r Autres spécialités horticoles (0169) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[74,1] <- "Autres cultures horticoles"
distance[74,2] <- round(mean(df_0169$Long,na.rm = TRUE),5)
distance[74,3] <- round(mean(df_0169$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[74,5] <- 1
distance[74,12] <- length(df_0169$Long)

index <- df_0169 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[75,1] <- "Autres cultures horticoles & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[75,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[75,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[75,6] <- 1
distance[75,12] <- length(index$Long)

index <- df_0169 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[76,1] <- "Autres cultures horticoles & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[76,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[76,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[76,7] <- 1
distance[76,12] <- length(index$Long)

index <- df_0169 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[77,1] <- "Autres cultures horticoles & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[77,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[77,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[77,8] <- 1
distance[77,12] <- length(index$Long)

index <- df_0169 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[78,1] <- "Autres cultures horticoles & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[78,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[78,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[78,9] <- 1
distance[78,12] <- length(index$Long)

index <- df_0169 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[79,1] <- "Autres cultures horticoles & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[79,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[79,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[79,10] <- 1
distance[79,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(74:79),4] <- "Autres cultures horticoles"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r Élevages grandes cultures et productions horticoles (0171) , echo=FALSE, message=FALSE,warning=FALSE}
df_0171 <- Req::Req_data(industry = 0171, active = 1) ## On récupères les données de la REQ par API
```

```{r Élevages grandes cultures et productions horticoles (0171) 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[80,1] <- "Élevages, grandes cultures et productions horticoles"
distance[80,2] <- round(mean(df_0171$Long,na.rm = TRUE),5)
distance[80,3] <- round(mean(df_0171$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[80,5] <- 1
distance[80,12] <- length(df_0171$Long)

index <- df_0171 %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[81,1] <- "Élevages, grandes cultures et productions horticoles & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[81,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[81,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[81,6] <- 1
distance[81,12] <- length(index$Long)

index <- df_0171 %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[82,1] <- "Élevages, grandes cultures et productions horticoles & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[82,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[82,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[82,7] <- 1
distance[82,12] <- length(index$Long)

index <- df_0171 %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[83,1] <- "Élevages, grandes cultures et productions horticoles & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[83,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[83,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[83,8] <- 1
distance[83,12] <- length(index$Long)

index <- df_0171 %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[84,1] <- "Élevages, grandes cultures et productions horticoles & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[84,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[84,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[84,9] <- 1
distance[84,12] <- length(index$Long)

index <- df_0171 %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[85,1] <- "Élevages, grandes cultures et productions horticoles & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[85,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[85,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[85,10] <- 1
distance[85,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(80:85),4] <- "Élev., grandes cult. et prod. hort."
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

```{r echo=FALSE, message = FALSE, warning = FALSE}
#.sidebar
# selectInput("sect_act", label = "Secteur d'activité",
#            choices = distance$Secteur, selected = distance$Secteur[1])

```

```{r echo=FALSE, message = FALSE, warning = FALSE}

##dist_user <- reactive({distance %>%
  #filter(Secteur ==input$sect_act)
  #})

#renderLeaflet({
 # leaflet(data = distance[which(distance$Secteur == input$sect_act),]) %>%
  #addTiles() %>%
  #addAwesomeMarkers(popup = ~Categorie)
#})
```

```{r df exploitations agricoles cumulees, echo=FALSE, message = FALSE, warning = FALSE}

df_tot <- full_join(df_0131,df_0134)
df_tot <- full_join(df_tot,df_0135)
df_tot <- full_join(df_tot,df_0138)
df_tot <- full_join(df_tot,df_0139)
df_tot <- full_join(df_tot,df_0151)
df_tot <- full_join(df_tot,df_0152)
df_tot <- full_join(df_tot,df_0159)
df_tot <- full_join(df_tot,df_0161)
df_tot <- full_join(df_tot,df_0162)
df_tot <- full_join(df_tot,df_0163)
df_tot <- full_join(df_tot,df_0164)
df_tot <- full_join(df_tot,df_0169)
df_tot <- full_join(df_tot,df_0171)
```

```{r exploitations agricoles cumulees 2, echo=FALSE, message = FALSE, warning = FALSE}

distance[86,1] <- "Total des exploitations agricoles"
distance[86,2] <- round(mean(df_tot$Long,na.rm = TRUE),5)
distance[86,3] <- round(mean(df_tot$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[86,5] <- 1
distance[86,12] <- length(df_tot$Long)

index <- df_tot %>%
  filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
         & COD_INTVAL_EMPLO_QUE != "A" 
         & COD_INTVAL_EMPLO_QUE != "B" )
distance[87,1] <- "Total des exploitations agricoles & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[87,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[87,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[87,6] <- 1
distance[87,12] <- length(index$Long)

index <- df_tot %>%
  filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[88,1] <- "Total des exploitations agricoles & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[88,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[88,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[88,7] <- 1
distance[88,12] <- length(index$Long)

index <- df_tot %>%
  filter(DAT_STAT_IMMAT > "2018-01-01")
distance[89,1] <- "Total des exploitations agricoles & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[89,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[89,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[89,8] <- 1
distance[89,12] <- length(index$Long)

index <- df_tot %>%
  filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[90,1] <- "Total des exploitations agricoles & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[90,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[90,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[90,9] <- 1
distance[90,12] <- length(index$Long)

index <- df_tot %>%
  filter(DAT_STAT_IMMAT < "2008-01-01")
distance[91,1] <- "Total des exploitations agricoles & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[91,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[91,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[91,10] <- 1
distance[91,12] <- length(index$Long)

##leaflet(data = distance) %>%
  #addTiles() %>% 
  #addAwesomeMarkers(popup = ~Secteur)
distance[c(86:91),4] <- "Total des exploitations agricoles"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```

# Catographie des secteurs

## Column {data-width="650"}

### Catographie des centroïdes des secteurs agricoles

```{r, echo=FALSE, message = FALSE, warning = FALSE}

index <- distance[-1,] %>%
  filter(Complet == 1)

leaflet(data = index) %>%
  addTiles() %>% 
  addCircleMarkers(lng = ecosysteme$Longitude[1], lat = ecosysteme$Latitude[1], ## On ajoute le centroïde de l'écosystème
      radius = 25, stroke = FALSE, fillOpacity = 0.9, 
      color = "steelblue", popup = ecosysteme$Nom_ent[1]) %>%
  addAwesomeMarkers(lng = ~Longitude, lat = ~Latitude, 
                   popup = ~paste("Nom :", Categorie, "<br/>","Distance avec l'écosystème", Dist_centre))
```

## Column {data-width="350"}

### Tableau de mesure de distance avec le centroïde de l'écosystème

```{r echo=FALSE, message = FALSE, warning = FALSE}
datatable(index[,c(1,11)])
```

# Analyse des variables

## column {data-width = 330}

### Graphique des distances en fonction des secteurs d'activité

```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
  filter(Complet == 1) %>%
  ggplot(aes(Secteur,Dist_centre)) +
    geom_point() +
    theme(axis.text.x = element_text(angle = 90))
```

### Graphique des distances pour les exploitations de moins de 10 employés

```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
  filter(emp_inf_10 == 1) %>%
  ggplot(aes(Secteur,Dist_centre)) +
    geom_point() +
    theme(axis.text.x = element_text(angle = 90))
```

## column {data-width = 330}

### Graphique des distances pour les exploitations de plus de 10 employés

```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
  filter(emp_sup_10 == 1) %>%
  ggplot(aes(Secteur,Dist_centre)) +
    geom_point() +
    theme(axis.text.x = element_text(angle = 90))
```

### Graphique des distances pour les exploitations de moins de 5 ans

```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
  filter(age_inf_5 == 1) %>%
  ggplot(aes(Secteur,Dist_centre)) +
    geom_point() +
    theme_minimal() +
    theme(axis.text.x = element_text(angle = 90))
```

## column {data-width = 330}

### Graphique des distances pour les exploitations de 5 ans à 15 ans

```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
  filter(age_inf_15_sup_5 == 1) %>%
  ggplot(aes(Secteur,Dist_centre)) +
    geom_point() +
    theme(axis.text.x = element_text(angle = 90))
```

### Graphique des distances pour les exploitations de plus de 15 ans

```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
  filter(age_sup_15 == 1) %>%
  ggplot(aes(Secteur,Dist_centre)) +
    geom_point() +
    theme(axis.text.x = element_text(angle = 90))
```

# Analyse des secteurs

```{r echo=FALSE, message = FALSE, warning = FALSE}
p <- ggplot(data = distance,aes(Secteur,Dist_centre) ) +
    geom_boxplot() +
    theme_economist() +
    theme(axis.text.x = element_text(angle = 90))

ggplotly(p)

```